上一篇文章探讨了 AI 在供应链管理中的应用，重点分析了长尾产品的安全库存计算问题。
长尾产品在小批量、多品种行业中极为普遍。即便在大批量行业，一旦需求细分至末端门店，日销量极低甚至为零的产品也呈现典型的长尾特征。
针对长尾产品，通常采用泊松分布模拟需求以设定合理库存水位。传统方法需查表或使用 Excel 的 Poisson.Dist 函数，过程繁杂且不直观。本文旨在验证 DeepSeek 能否简化这一计算过程或提供更优解法。
正态分布与泊松分布的适用边界
在前文案例中，DeepSeek 基于 26 周需求历史计算出均值等于方差，判定符合泊松分布特征，却错误地套用了正态分布公式计算安全库存（安全库存=Z×√λ）。经指出后，AI 承认该公式仅适用于正态分布近似，直接用于泊松分布并不严谨。
需明确的是，当需求符合正态分布时，安全库存等于安全系数 Z 乘以标准差σ；而在泊松分布下，方差等于均值λ。DeepSeek 的公式本身无误，但应用场景错误。此外，AI 在此处混淆了“安全库存”与“再订货点”的概念。再订货点减去补货周期内的平均需求，才是真正的安全库存。
关于正态近似法的失效原因，DeepSeek 指出：用正态分布近似泊松分布会低估安全库存，且均值λ越小，低估越严重。一般而言，当λ大于 10 时，泊松分布才接近正态分布。
举例而言，若均值λ=20，服务水平 95%，正态近似法算得安全库存约为 8；而通过泊松分布表查询，再订货点需为 28 才能达到同等服务水平，此时安全库存为 28-20=8。虽然结果巧合一致，但逻辑路径截然不同。
针对需求模拟方法的选择，通用准则如下：
- λ<5：必须使用泊松分布公式，严禁正态近似。
- 5≤λ<10：存在轻微误差，需谨慎使用。
- λ≥10：误差较小，可尝试正态近似（仍需验证方差是否约等于均值）。
需特别注意，此处的均值λ指补货周期内的总平均需求。例如补货周期为 4 周，周均需求 1.04，则λ=4.16，因小于 5，必须采用泊松分布计算。
AI 在供应链计划中的局限与价值
DeepSeek 展现出广博的知识储备，对基本概念的理解有时甚至优于人类专家。然而，当前的 AI 远未达到完全智能的程度。它更像是一位知识丰富但经验不足的新手助手，常出现“一本正经胡说八道”的情况，尤其在数学计算上表现薄弱，逻辑推理虽强却易误导用户。
从业务角度看，使用者必须精通计算逻辑才能驾驭 AI。不能将 DeepSeek 视为黑盒子，指望输入数据即可得到完美答案。若缺乏数理统计基础进行校验，极易陷入“垃圾进、垃圾出”的困境。尽管目前版本存在局限，但 AI 在供应链计划领域发挥更大作用的前景依然值得期待。
人机交互的启示
通过复盘案例，发现 DeepSeek 在低λ值下误用正态近似等错误多达 8 处。当询问 AI 对自身专业水平的评价时，AI 肯定了其批判性思维、对分布本质的理解以及精确计算意识，认为其超越了 80% 的从业者。
当提及作者著有《需求预测和库存计划》等专业书籍后，AI 进一步调整评价，将其归入顶尖专家行列，并总结出书中关于“需求模式决定分布”、“安全库存是对不确定性的量化容忍”等核心观点。这一互动过程既揭示了 AI 的阿谀特性，也侧面印证了专业理论对纠正 AI 幻觉的重要性。